本研究提出一种节能的去噪方法，该方法结合图像预处理以提高医学图像质量、降低计算成本，并支持可持续的诊断实践。该方法可提升低剂量和老旧扫描图像的清晰度，从而在减少辐射暴露、能源消耗和电子废弃物的同时，实现远程诊断。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究提出一种节能的去噪方法，该方法结合图像预处理以提高医学图像质量、降低计算成本，并支持可持续的诊断实践。该方法可提升低剂量和老旧扫描图像的清晰度，从而在减少辐射暴露、能源消耗和电子废弃物的同时，实现远程诊断。
传统的深度学习模型已展现出去噪潜力，但面临计算负载大、能耗高和训练时间长等挑战。本研究提出一种节能型去噪方法，将图像增强与K均值聚类作为预处理技术相结合，以在应用神经网络之前提升输入质量。该方法提出了一种节能去噪流程，在应用卷积自编码器之前，先利用锐化卷积核进行图像增强，并通过K均值聚类实现图像分割。这些预处理步骤使模型能够识别解剖边界并分离受噪声影响的区域，从而提高输入质量并加快训练收敛。预处理可锐化图像关键特征并区分受噪声影响的区域，实现自适应阈值分割，并以更低的计算成本实现更有效的去噪。所提出的模型在公开可用的CT和MRI数据集上进行了评估。性能指标包括峰值信噪比（PSNR）、结构相似性指数（SSIM）和分类准确率。结果表明，PSNR从21.52 dB提升至28.14 dB；SSIM从0.7619提高到0.8690，验证准确率也有所提升。集成的预处理使训练时间减少了约20%，并降低了GPU利用率，从而支持在计算资源受限环境中的可重复性和部署。该方法通过减少辐射暴露、降低重复扫描次数以及延长老旧成像设备的使用寿命，支持可持续的医学成像实践。该流程通过减少辐射暴露、减少重复扫描以及延长传统成像设备的使用寿命，促进可持续医学成像的发展。此外，该方法适用于远程诊断，可增强资源有限环境下的远程医疗工作流程。该方法还支持远程诊断，适用于资源匮乏地区的远程医疗应用。
医学影像通过提供对内部解剖结构和生理状况的无创性观察，在疾病诊断和治疗规划中发挥着关键作用。多种成像方式，如X射线、计算机断层扫描（CT）、磁共振成像（MRI）、超声以及正电子发射断层扫描（PET），在临床实践中被常规用于检测异常、监测疾病进展以及引导干预措施1,2,3。每种成像方式都具有独特的优势，但也容易受到由仪器限制、采集环境以及重建算法等因素引起的各类图像质量退化的影响4。
图像质量常因噪声而下降，噪声可能由热效应、低剂量协议、电子干扰、患者移动或校准不当引起5,6,7。例如，CT图像常因光子计数限制而表现出泊松噪声，而MRI扫描则易受高斯噪声和瑞利噪声影响，这些噪声源于磁场不一致性和重建伪影8,9。此类噪声可能掩盖细微的解剖结构和病理征象，导致误诊或需要重复成像，进而增加辐射暴露和医疗成本。图....
访问受限。请登录或开始试用以查看此内容。
本研究 exclusively 采用公开可用的、去标识化的 CT 和 MRI 影像数据集。未涉及任何活体人类或动物受试者。因此，无需获得机构审查委员会（IRB）或伦理委员会的批准。
方法概述
本方案提供了一种可重复的能量高效型医学图像去噪流程。该方法结合了预处理技术（包括锐化滤波器和K均值聚类）与基于卷积神经网络（CNN）的自编码器，以实现图像去噪。这种集成方法在提升图像质量的同时，减少了训练时间和硬件能耗，有助于实现可持续的医学诊断19,20,21,22,23。图5总结了端到端的框架结构。
访问受限。请登录或开始试用以查看此内容。
预处理与分割结果
初始预处理阶段在增强关键解剖边界可见性的同时，降低了背景干扰。如图7所示，经过锐化的图像显示出更清晰的边缘定义，有助于后续的分割处理。采用K均值聚类方法（K = 3 和 K = 5）生成的分割图像成功地将噪声密集的像素与具有诊断意义的区域分离开来33。该步骤获得的分割图像在保持结构保真度的同时，最大限度地减少了噪声的影响33,34。
基于自编码器的去噪性能
该基于卷积神经网络（CNN）的自编码器在预处理后的图像上进行训练，表现出稳定的训练动态，并因采用早停机制而在100个训练周期内即收敛。与在原始图像上训练的模型相比，借助预处理的流程实现了约20%的更快收敛速度，同时GPU使用量也相应降低了同等比例16.......
访问受限。请登录或开始试用以查看此内容。
本研究提出了一种混合去噪方法，该方法将图像预处理与卷积自编码器相结合，旨在提升诊断图像质量的同时，优化能耗和计算性能。
该方法在预处理阶段结合了锐化滤波器和K均值聚类，以增强边缘清晰度并减少无关噪声，随后采用基于卷积神经网络的自编码器实现自适应去噪。这种混合流程减少了不必要的计算操作，并加速了训练过程中的收敛。
通过在峰值信噪比（PSNR）（从 21.52 dB 提升至 28.14 dB）、结构相似性（SSIM）（从 0.76 提升至 0.869）以及验证准确率（从 0.76 提升至 0.869）方面取得的显著改进，该模型展现了良好的诊断效能。此外，GPU 占用率和训练时间均减少了约 20%，进一步支持了人工智能在临床环境中的可持续应用。
尽管该方法具有优势，但它可能对图像模态和噪声分布较为敏感。K均值分割假设聚类分布是均匀的，而这一假设可能并不适用于所有类型的医学图像。此外，如果锐化核配置不当，可能会导致过度平滑，从而掩盖细微的病理特征。
访问受限。请登录或开始试用以查看此内容。
无任何利益冲突需要声明。
作者谨向印度浦那的维什瓦卡玛大学（VU）以及维什瓦卡玛技术学院（VIT）计算机工程系致以诚挚的感谢，感谢其为本研究提供了必要的基础设施、数据集和计算资源。特别感谢参与本研究的学生实习生在数据准备和初步测试中给予的支持。本研究未获得来自公共、商业或非营利性资助机构的任何专项资助。
作者贡献：
Vidula Meshram 参与了方法的概念化、预处理与去噪模型的设计，以及论文的监督工作。Vishal A. Meshram 负责算法的实现，开展训练、测试和能量评估实验，并参与论文的撰写与修改。Pallavi Rege 支持数据整理、文献综述及引文核验。Gandharpa Thite 参与了自编码器架构的编码工作，生成图表，并协助性能评估。Kailas Patil 和 Shrikant Jadhav 担任通讯作者，参与技术验证、论文修改，并最终完成投稿。
访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| Google Colaboratory | N/A | 用于模型训练和测试的云平台 | |
| Keras (v2.x) | Open-source | N/A | 用于神经网络实现的 TensorFlow 高级 API |
| Matplotlib (v3.4 或以上) | Open-source | N/A | 用于图像和结果的可视化 |
| Microsoft Excel 365 | Microsoft | N/A | 用于结果的制表与分析 |
| NumPy (v1.21 或以上) | Open-source | N/A | 用于矩阵运算和数值计算 |
| NVIDIA Tesla T4 GPU | NVIDIA | N/A | 用于加速训练和推理的图形处理器 |
| 公开可用的医学影像数据集（CT 和 MRI 图像） | Open Source Databases | N/A | 用作模型训练、验证和测试的源数据 |
| Python (v3.8 或以上) | Python Software Foundation | N/A | 用于模型实现的编程语言 |
| Scikit-learn (v0.24 或以上) | Open-source | N/A | 用于 K 均值聚类和预处理 |
| TensorFlow (v2.x) | table | N/A | 用于卷积神经网络模型开发的深度学习库 |
访问受限。请登录或开始试用以查看此内容。
本文已发表
视频即将推出